目标跟踪是计算机视觉领域的一个重要的研究方向,并广泛应用于视频监控、自动驾驶、人机交互等方面。目标跟踪是根据视频序列首帧中给定的目标大小和中心坐标,预测后续帧目标大小和轨迹变化的方法。尽管目标跟踪技术已经取得了很大的进步,但如何解决目标跟踪领域中的遮挡、光照变化、尺度变化和快速运动等问题,仍然是一个非常具有挑战性的课题。传统的跟踪算法往往采用人工特征对目标进行建模,但人工特征在实际过程中跟踪效果一般。近年来,深度网络提取的特征在目标跟踪中广泛应用,并展现了良好的效果。此类特征可以从目标中获得更为准确丰富的信息,用来提高跟踪算法的整体性能。本文主要研究基于深度特征的目标跟踪算法。首先,分析了现有目标跟踪算法存在的一些问题,例如特征通道冗余、漂移、过拟合等。其次,分别对DCFNet、ECOHC和UDT进行不同程度的优化和改进:（1）提出基于相关滤波方法的通道选择机制,删除与此次跟踪无关的深度特征通道,更好地解决了预训练模型提取特征通道冗余的问题,避免无关信息的干扰并减少了跟踪算法的计算量,提升了跟踪算法的性能;（2）多特征融合,为了增强特征图中不同通道之间的关联性,将降维后的特征与标准差计算生成的统计特征融合;（3）结合前两种改进方法,使滤波器的更新策略从逐帧更新调整为稀疏更新。该策略在降低计算量的同时也改善了跟踪效果,原因在于训练样本过拟合减少,使跟踪更加稳定。最后,将改进算法与原算法在公共数据集OTB100、VOT2015和VOT2016上测试,实验结果表明,在不降低跟踪速度的前提下,改进算法与原算法相比跟踪精度更高、鲁棒性更强。